网络抓取以填写（和检索）搜索表单？

Question

我想知道是否可以“自动化”输入条目以搜索表单并从结果中提取匹配项的任务。例如，我有一份期刊文章列表，我想为其获取 DOI（数字对象标识符）；为此，我会手动转到期刊文章搜索页面（例如，http://pubs.acs.org/search/advanced），输入作者/标题/卷（等），然后从返回的结果列表中找到该文章，然后选择 DOI并将其粘贴到我的参考列表中。我经常使用 R 和 Python 进行数据分析（我受到 RCurl 上的一篇文章的启发），但对 Web 协议了解不多……这可能吗（例如使用 Python 的 BeautifulSoup 之类的东西？）。是否有任何很好的参考可以远程完成与此任务类似的任何事情？我对学习网络抓取和一般网络抓取工具很感兴趣，就像完成这项特定任务一样...感谢您的宝贵时间！

Answer 1

Beautiful Soup 非常适合解析网页 - 这是您想要做的一半。 Python、Perl 和 Ruby 都有一个版本的 Mechanize，这是另一半：

http://wwwsearch.sourceforge.net/mechanize/

机械化让你控制浏览器：

# Follow a link
browser.follow_link(link_node)

# Submit a form
browser.select_form(name="search")
browser["authors"] = ["author #1", "author #2"]
browser["volume"] = "any"
search_response = br.submit()

Mechanize and Beautiful Soup 让您有一个很好的开始。我会考虑的一个额外工具是 Firebug，在这个快速 ruby​​ 抓取指南中使用：

http://www.igvita.com/2007/02/04/ruby-screen-scraper-in-60-seconds/

Firebug 可以加快您构建用于解析文档的 xpath 的速度，从而为您节省大量时间。

祝你好运！

Answer 2

Python 代码：用于搜索表单。

# import 
from selenium import webdriver

from selenium.common.exceptions import TimeoutException

from selenium.webdriver.support.ui import WebDriverWait # available since 2.4.0

from selenium.webdriver.support import expected_conditions as EC # available since 2.26.0

# Create a new instance of the Firefox driver
driver = webdriver.Firefox()

# go to the google home page
driver.get("http://www.google.com")

# the page is ajaxy so the title is originally this:
print driver.title

# find the element that's name attribute is q (the google search box)
inputElement = driver.find_element_by_name("q")

# type in the search
inputElement.send_keys("cheese!")

# submit the form (although google automatically searches now without submitting)
inputElement.submit()

try:
    # we have to wait for the page to refresh, the last thing that seems to be updated is the title
    WebDriverWait(driver, 10).until(EC.title_contains("cheese!"))

    # You should see "cheese! - Google Search"
    print driver.title

finally:
    driver.quit()

来源：https://www.seleniumhq.org/docs/03_webdriver.jsp

Answer 3

WebRequest req = WebRequest.Create("http://www.URLacceptingPOSTparams.com");

req.Proxy = null;
req.Method = "POST";
req.ContentType = "application/x-www-form-urlencoded";

//
// add POST data
string reqString = "searchtextbox=webclient&searchmode=simple&OtherParam=???";
byte[] reqData = Encoding.UTF8.GetBytes (reqString);
req.ContentLength = reqData.Length;
//
// send request
using (Stream reqStream = req.GetRequestStream())
  reqStream.Write (reqData, 0, reqData.Length);

string response;
//
// retrieve response
using (WebResponse res = req.GetResponse())
using (Stream resSteam = res.GetResponseStream())
using (StreamReader sr = new StreamReader (resSteam))
  response = sr.ReadToEnd();

// use a regular expression to break apart response
// OR you could load the HTML response page as a DOM 

（改编自 Joe Albahri 的“C# in a nutshell”）

Answer 4

有许多用于网页抓取的工具。有一个很好的 Firefox 插件，叫做 iMacros。它工作得很好，根本不需要编程知识。免费版可以从这里下载： https://addons.mozilla.org/en-US/firefox/addon/imacros-for-firefox/ iMacros 最棒的地方在于，它可以让你在几分钟内上手，它也可以从 bash 命令行启动，也可以从 bash 脚本中调用。

更高级的步骤是 selenium webdrive。我选择 selenium 的原因是它以非常适合初学者的方式记录在案。阅读以下page:

会让您立即启动并运行。 Selenium 支持 java、python、php、c，所以如果你熟悉这些语言中的任何一种，你就会熟悉所有需要的命令。我更喜欢 selenium 的 webdrive 变体，因为它会打开一个浏览器，以便您检查字段和输出。使用 webdrive 设置脚本后，您可以轻松地将脚本迁移到 IDE，从而无头运行。

要安装 selenium，您可以通过键入命令来完成

sudo easy_install selenium

这将处理依赖项和您所需的一切。

为了以交互方式运行您的脚本，只需打开一个终端，然后输入

python

你会看到python提示符，>>>你可以输入命令。

这是一个示例代码，您可以将其粘贴到终端中，它将在 google 搜索单词 cheeses

package org.openqa.selenium.example;

import org.openqa.selenium.By;
import org.openqa.selenium.WebDriver;
import org.openqa.selenium.WebElement;
import org.openqa.selenium.firefox.FirefoxDriver;
import org.openqa.selenium.support.ui.ExpectedCondition;
import org.openqa.selenium.support.ui.WebDriverWait;

public class Selenium2Example  {
    public static void main(String[] args) {
        // Create a new instance of the Firefox driver
        // Notice that the remainder of the code relies on the interface, 
        // not the implementation.
        WebDriver driver = new FirefoxDriver();

        // And now use this to visit Google
        driver.get("http://www.google.com");
        // Alternatively the same thing can be done like this
        // driver.navigate().to("http://www.google.com");

        // Find the text input element by its name
        WebElement element = driver.findElement(By.name("q"));

        // Enter something to search for
        element.sendKeys("Cheese!");

        // Now submit the form. WebDriver will find the form for us from the element
        element.submit();

        // Check the title of the page
        System.out.println("Page title is: " + driver.getTitle());

        // Google's search is rendered dynamically with JavaScript.
        // Wait for the page to load, timeout after 10 seconds
        (new WebDriverWait(driver, 10)).until(new ExpectedCondition<Boolean>() {
            public Boolean apply(WebDriver d) {
                return d.getTitle().toLowerCase().startsWith("cheese!");
            }
        });

        // Should see: "cheese! - Google Search"
        System.out.println("Page title is: " + driver.getTitle());

        //Close the browser
        driver.quit();
    }}

我希望这能给你一个良好的开端。

干杯:)